Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2016 “Peran Teknologi dan Rekayasa Informasi dalam Implementasi Geostrategi Indonesia” Malang, 18 Oktober 2016
OPTIMASI PEMILIHAN ANTIHIPERTENSI MENGGUNAKAN ALGORITMA GENETIKA Kemal Wibisono1, Wayan Firdaus Mahmudy2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Jl. Veteran no.8 Malang, Informatika, Gedung A FILKOM-UB e-mail:
[email protected] Abstract Hypertension is serious problem in the world, as well in Indonesia. There are several things to do to control the blood pressure for the hypertension patient. Handling the hypertension is more difficult, if the patient has comorbid. The patient must do the therapy combination for the antihypertension drug. The doctor must obey the rule of antihypertensive combination therapy. However, several therapy aren’t appropriate is still found. Genetic algorithm is applied in antihypertensive combination therapy to get the optimum and proper solution. The optimization use one-cut point for crossover technique, exchange mutation for mutation technique and elitism method for the selection technique. This research result are population size is 100, combination for crossover rate and mutation rate are 0,3 and 0,7, and 90 generation, which are the best solution. The final result of the system is recommendation. Keywords: Genetic Algorithm, Optimization, Hypertension,Antihypertension.
Abstrak Penyakit Hipertensi merupakan masalah yang serius bagi seluruh dunia, tak terkecuali Indonesia. Perlu dilakukan berbagai cara dalam menjaga kestabilan tekanan darah bagi penderita hipertensi. Penanganan hipertensi akan semakin rumit, apabila penderita memiliki komorbid. Penderita hipertensi yang memiliki komorbid harus menjalani terapi kombinasi dalam mengkonsumsi antihipertensi. Seorang dokter harus mematuhi aturan kombinasi sesuai dengan kaidah kombinasi antihipertensi. Akan tetapi masih ditemukan terapi kombinasi antihipertensi yang tidak sesuai dengan kaidah kombinasi antihipertensi. Algoritma genetika diterapkan pada kasus pemilihan antihipertensi untuk mendapatkan solusi yang paling optimum dari segi kelayakan dan ekononomis. Optimasi pemilihan antihipertensi menggunakan algoritma genetika menggunakan teknik crossover dengan one-cut point, mutasi dengan exchange mutation dan seleksi dengan elistm selection. Solusi optimal diperoleh dari ukuran populasi sebanyak 100 individu, kombinasi crossover rate dan mutation rate sebesar 0,3 dan 0,7, serta jumlah generasi sebesar 90. Hasil akhir berupa rekomendasi antihipertensi yang di ajukan oleh sistem. Kata Kunci: Algoritma Genetika, Optimasi, Hipertensi, Antihipertensi. Hipertensi juga masih menjadi epidemi bagi kesehatan masyarakat. ISH mencatat rata-rata 4 dari 10 orang PENDAHULUAN dewasa diatas 25 tahun memiliki penyakit hipertensi. Penyakit hipertensi merupakan masalah yang tidak AHA juga mencatat 80 juta orang Amerika memiliki bisa dipandang sebelah mata. World Heart Organization tekanan darah tinggi. WHO juga menegaskan bahwa (WHO) mencatat hipertensi termasuk kedalam 10 hampir satu miliar orang menderita hipertensi, dimana penyakit yang menyebabkan kematian paling banyak. dua per tiga-nya terdapat di negara berkembang. Pada tahun 2010, International Society of Hypertension Bahkan diprediksi sekitar 1,5 miliar orang dewasa (ISH) mencatat hipertensi bertanggung jawab atas 9,4 terkena hipertensi pada tahun 2025 [2]. juta kasus kematian. Pada tahun 2013, lebih dari Di negara Indonesia, hipertensi juga masih menjadi 360.000 kasus kematian warga Amerika Serikat yang tantangan besar yang harus dihadapi. Hipertensi disebabkan hipertensi sebagai faktor utama ataupun termasuk 10 penyakit paling mematikan di Indonesia. pendukung. Artinya pada tahun tersebut, Amerika Menurut data dari Sample Registration Survey tahun Serikat mengalami hampir 1000 kasus kematian per hari 2014 yang dikembangkan oleh Badan Penelitian dan [1]. Pengembangan Kesehatan Kementrian Kesehatan, American Hypertension Association (AHA) juga Hipertensi disebut sebagai penyakit penyebab kematian mencatat terjadinya kenaikan jumlah kematian nomor lima tertinggi di Indonesia. Perhimpunan pertahun akibat hipertensi, dari rentang 2001 hingga Dokter Hipertensi Indonesia (InaSH) mencatat angka 2011, sebanyak 39 persen. Akibatnya AHA juga kematian menyentuh angka 56 juta jiwa, terhitung dari menyimpulkan ratio hipertensi dengan kematian pada tahun 2000 sampai 2013 [3]. tahun tersebut mengalami kenaikan 13 persen. SENTRIN 2016 Universitas Brawijaya
65
ISSN (2540-9700)
Optimasi Pemilihan Antihipertensi Menggunakan penelitian yang akan dilakukan:
Pengendalian hipertensi pun perlu biaya yang tidak sedikit. Centers for Disease Contol and Prevention (CDC) mencatat biaya untuk pengendalian hipertensi di Amerika bisa mencapai 46 juta USD per tahun[1]. Salah satu pengendalian yang dilakukan penderita hipertensi ialah mengkonsumsi obat hipertensi (antihipertensi). Celakanya, harga antihipertensi perlahan mencekik para penderita hipertensi. Sebuah portal berita mengatakan, harga obat di pasaran yang harus dikonsumsi mencapai Rp 125.000 rupiah per butirnya (100 mg) dan harus dikonsumsi sepanjang hidupnya[4]. Peserta program Jaminan Kesehatan Nasional (JKN) pun, masih mengeluhkan pembebanan biaya obat antihipertensi yang tidak sedikit [5]. Keadaan ini sangat merugikan bagi penderita hipertensi yang memiliki penyakit pendukung (komorbid). Apabila sudah mencapai kondisi demikian, penderita harus menjalani terapi kombinasi dalam mengkonsumsi antihipertensi. Artinya, semakin banyak kormobid yang diderita oleh pasien, semakin banyak pula obat yang harus dikonsumsi dan semakin mahal pula biaya yang harus ditanggung si pasien.
Pertama: Studi literatur yaitu melakukan studitentang hipertensi, antihipertensi, dan metode algoritma genetika. Kedua: Pengumpulan data yaitu melakukan pengumpulan data mengenai berbagai macam komorbid, rekam medik pasien penderita hipertensi berkomorbid, berbagai macam kelas antihipertensi, berbagai macam jenis antihipertensi dalam suatu kelas, dan harga dari masing-masing jenis antihipertensi. Ketiga: Perancangan yaitu merancang dan juga menganalisa sistem menggunakan hasil dari studi literatur yang sudah dilakukan. Keempat: Implementasi yaitu membuat sistem berdasarkan hasil studi litertur dan analisa yang telah dilakukan. Kelima: Pengujian yaitu melakukan uji coba sistem yang telah diimplementasikan. Keenam: kesimpulan yaitu menarik kesimpulan dari pengujian yang telah dilakukan.
Di dalam mengkombinasikan antihipertensi, seorang dokter atau tenaga klinis harus mematuhi aturan-aturan yang berlaku, terkait dengan banyaknya kelas antihipertensi itu sendiri dan juga jenis obat dalam suatu kelas antihipertensi. Seorang dokter harus memahami cara kerja suatu kelas antihipertensi dalam terapi kombinasi, apakah suatu kelas tersebut saling mendukung untuk mengendalikan antihipertensi atau malah saling meniadakan. Di Indonesia terdapat terapi kombinasi yang tidak tepat dengan presentasi 4% dan terapi tidak rasional sebanyak 12% [6].
Objek penelitian Objek penelitian merupakan apa yang menjadi titik perhatian suatu penelitian. Adapun objek yang penulis teliti ialah mencari parameter algoritma genetika yang optimal, seperti jumlah generasi, populasi dan kombinasi crossover rate dan mutation rate yang akan digunakan dalam sistem untuk kombinasi antihipertensi di Rumah Sakit Saiful Anwar kota Malang. Teknik Pengumpulan Data
Algoritma genetika banyak digunakan dalam masalah optimasi dan mempunyai kemampuan untuk menghasilkan solusi yang baik untuk masalah-masalah rumit [7]. Algortima ini sering dijumpai dalam permasalahan optimasi yang rumit karena selain adanya kemungkinan untuk keluar dari optimum lokal, dan ruang pencarian area yang sangat luas, algoritma ini mampu menyajikan kombinasi-kombinasi yang mungkin terjadi dengan keuntungan yang optimal . Pada penelitian sebelumnya, algoritma genetika mampu menyelesaikan permalahan kompleks pada penjadwalan produksi di industri manufaktur [8]. Pada penelitian selanjutnya juga dibuktikan bahwa algoritma genetika mampu memberikan solusi yang baik pada persoalan distribusi barang [9]. Pada penelitian ini digunakan metode algoritma genetika untuk mengoptimalkan pemilihan antihipertensi, sehingga pengendalian hipertensi menjadi lebih optimal.
Pengumpulan data yang digunakan dalam penelitian ini menggunakan teknik sebagi berikut:
METODE
Analisis data yang diperoleh dari literatur dan wawancara dilakukan dengan siklus metode algoritma genetika sebagai berikut:
Pertama: Observasi, metode ini dibagi menjadi dua, yakni observasi literatur dan observasi secara langsung. Observasi literatur digunakan untuk memperoleh informasi terkait dengan objek penelitian. Sedangkan observasi langsung digunakan untuk memperoleh gambaran secara langsung objek penelitian. Observasi ini dilakukan untuk mendapatkan data rekam medik pasien di Rumah Sakit Saiful Anwar kota Malang. Kedua: Wawancara, metode ini digunakan untuk memperoleh informasi secara langsung dengan narasumber. Metode wawancara yang digunakan adalah terstruktur, yaitu semua pertanyaan disusun terlebih dahulu dengan cermat. Tetapi cara penyampaian secara bebas. Teknik Analisis Data
Jenis Penelitian Penelitian ini menggunakan metode penelitian deskriptif yang bersifat kuantitatif.
Pertama: Representasi kromosom, metode representasi yang digunakan yakni representasi realcoded. Setiap gen pada kromosom berupa angka atau integer yang menyatakan nomer atau simpul. Kemudian simpul saling terhubung membentuk sebuah kombinasi.
Rancangan Penelitian Berikut
ini
merupakan
tahap-tahap
rancangan 66
Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2016 “Peran Teknologi dan Rekayasa Informasi dalam Implementasi Geostrategi Indonesia” Malang, 18 Oktober 2016 Pada penelitian ini, setiap jenis obat diwakili oleh sebuah angka integer. Contoh representasi kromosom dalam penelitian ini akan dijelaskan pada Tabel 1. Tabel 1. Contoh representasi kromosom Kromosom
Individu 1
1
2
O1
O2
Fitness
𝑲𝒆𝒌𝒖𝒂𝒕𝒂𝒏 𝑺𝒊𝒔𝒕𝒐𝒍 𝑻𝒐𝒕𝒂𝒍 (𝜶 × 𝑯𝒂𝒓𝒈𝒂 𝑻𝒐𝒕𝒂𝒍)+((𝟏−𝜶)×𝑷𝒆𝒏𝒂𝒍𝒕𝒊) 𝑲𝒆𝒌𝒖𝒂𝒕𝒂𝒏 𝑫𝒊𝒂𝒔𝒕𝒐𝒍 𝑻𝒐𝒕𝒂𝒍 (𝜶 × 𝑯𝒂𝒓𝒈𝒂 𝑻𝒐𝒕𝒂𝒍)+((𝟏−𝜶)×𝑷𝒆𝒏𝒂𝒍𝒕𝒊)
Individu
+ (1)
Dimana:
𝛼 = 0.1, karena proses perhitungan fitness tidak mentoleransi penalti. Kekuatan sistol total merupakan penjumlahan kekuatan sistolic dari masing-masing kelas antihipertensi yang dikombinasikan dan dianggap sebagai suatu solusi. Kekuatan Sistol Total = 𝒔𝒚𝒔𝒕𝒐𝒍𝒊𝒄𝑶𝟏 + 𝒔𝒚𝒔𝒕𝒐𝒍𝒊𝒄𝑶𝟐 + ⋯....... (2) Kekuatan diastol total merupakan penjumlahan kekuatan diastolic dari masing-masing kelas antihipertensi yang dikombinasikan dan dianggap sebagai suatu solusi. Kekuatan Diastol Total = 𝒅𝒊𝒂𝒔𝒕𝒐𝒍𝑶𝟏 + 𝒅𝒊𝒂𝒔𝒕𝒐𝒍𝑶𝟐 + (3) ⋯....... Harga total merupakan perkalian antara harga suatu antihipertensi dengan konsumsi antihipertensi per harinya. Kemudian dijumlahkan dengan perkalian antihipretensi lainnya. Harga Total = (𝑯𝒂𝒓𝒈𝒂𝑶𝟏 × 𝑲𝒐𝒏𝒔𝒖𝒎𝒔𝒊𝑶𝟏) + (𝑯𝒂𝒓𝒈𝒂𝑶𝟐 × 𝑲𝒐𝒏𝒔𝒖𝒎𝒔𝒊𝑶𝟐) + ⋯ (4) Penalti merupakan nilai yang diberikan terhadap suatu solusi. Apabila solusi itu sesuai dengan kaidah JNC 7 (dianggap layak) maka nilai Penalti = 0. Sedangkan apabila suatu solusi dianggap tidak layak maka nilai Penalti = 1. Kedua: Inisialisasi Populasi Awal, Pada tahapan berikut merupakan pembangkitan populasi awal pembentukan kromosom dengan nilai-nilai parameter yang sesuai kebutuhan. Parameter awal dari perhitungan ini sebagai berikut: Jumlah populasi = 5, crossover rate = 0,4 dan mutation rate = 0,2. Jumlah populasi SENTRIN 2016 Universitas Brawijaya
Tabel 2. Inisialisasi Populasi Awal
Z
Pada Tabel 1, panjang gen didalam kromosom bergantung dari seberapa banyak kormobid yang diderita oleh pasien dan setiap gen yang menyusun kromosom tersebut mewakili satu jenis obat antihipertensi untuk satu kormobid. Seperti yang telah dijelaskan bahwa panjang kromosom bergantung dari komorbid yang diderita pasien. Gen penyusun kromosom merupakan representasi angka yang mewakili suatu antihipertensi. Nilai fitness pada Tabel 1 menggunakan ketentuan sebagai berikut: Fitness =
merupakan jumlah individu didalam sebuah populasi. Crossover rate merupakan nilai ratio yang digunakan untuk fase reproduksi crossover. Sedangkan mutation rate merupakan nilai ratio yang digunakan untuk fase reproduksi mutasi. Contoh inisisalisasi populasi awal dalam penelitian ini akan dijelaskan pada Tabel 2.
P1 P2 P3 P4 P5
Kromosom 1 2 4 2 7 8
2 14 15 17 12 13
Ketiga: Crossover, yakni proses menyilangkan 2 individu untuk menghasilkan keturunan. Pada proses crossover, banyaknya keturunan (child) dihasilkan berdasar dari pada besarnya nilai crossover rate. Jumlah child yang muncul didapat dari perkalian nilai besarnya crossover rate dan jumlah popsize. Didalam penelitian ini digunakan metode One-Cut Point. Sesuai dengan parameter yang telah ditentukan, dari proses ini akan menghasilkan sebanyak 0,4 x 5 = 2 child. Pemilihan induk (parent) dilakukan secara acak pada interval P1 hingga P5 dari jumlah populasi yang ada. Tabel 3 akan menjelaskan proses crossover. Tabel 3. Proses crossover Individu
1 P1 2 P4 7 C1 2 Parent yang diacak : P1, P4 P2 4 P3 2 C2 4 Parent yang diacak : P2, P3
Kromosom 2 14 12 12 15 17 17
Keempat: Mutasi, yakni proses perpindahan kromosom pada suatu induk sehingga menghasilkan suatu keturuan. Pada proses mutation, banyaknya keturunan (child) dihasilkan berdasar dari pada besarnya nilai mutation rate. Jumlah child yang muncul didapat dari perkalian nilai besarnya mutation rate dan jumlah populasi. Mutasi yang digunakan didalam penelitian ini adalah reciprocal exchange mutation. Sesuai dengan parameter yang telah ditentukan, dari proses mutasi ini menghasilkan sebanyak 0,2 x 5 = 1 child.
67
ISSN (2540-9700)
Optimasi Pemilihan Antihipertensi Menggunakan Kemudian berikutnya.
Tabel 4. Proses mutation
individu
tersebut
menjadi
generasi
Kromosom
Kelima: Evaluasi, proses untuk menghitung nilai fitness dengan persamaan (1) dari induk dan seluruh keturunan hasil proses crossover dan mutation Tabel 5 akan menjelaskan proses evaluasi.
P5
3
13
Tabel 5. Proses Evaluasi
C3
13
3
C1
3
13
Individu P1 P2 P3 P4 P5 C1 C2 C3
Kromosom 1 2 2 14 4 15 2 17 7 12 8 13 2 12 4 17 13 3
Penalti
Fitness
0 0 0 1 1 0 1 0
0.004016 0.000905 0.003378 0.000461 0.000312 0.001238 0.000814 0.000312
Individu
HASIL DAN PEMBAHASAN Pada bagian ini telah dilakukan 4 macam jenis pengujian yakni pengujian parameter optimal, diantaranya: pengujian jumlah generasi, pengujian jumlah populasi, pengujian kombinasi crossover rate dan mutation rate, serta pengujian parameter optimal terhadap suatu kasus. Berikut ini merupakan hasil dan pembahasannya: Pengujian jumlah generasi Pengujian ini bertujuan untuk mengetahui jumlah generasi yang optimal untuk menghasilkan fitness paling baik. Data yang digunakan untuk penelitian ini adalah pasien dengan hipertensi tingkat satu dan menderita komorbid CKD juga Angina Pectoris. Tekanan sistol pasien adalah 141 dan tekanan diastol pasien adalah 90. Jumlah populasi yang digunakan yakni 50 individu dengan banyak kelipatan generasi mulai dari 10 hingga 100. Nilai crossover dan mutation rate dalam pengujian ini sebesar 0,5 dan 0,5. Setiap generasi akan dilakukan sepuluh kalipercobaan dan dicari rata-rata fitness yang telah didapat. Hasil dari pengujian ini didapat nilai rata-rata fitness terbaik adalah 0,8777 pada generasi ke 90. Sedangkan nilai rata-rata fitness terendah adalah 0,6522 pada generasi ke 30. Gambar 1 juga menjelaskan bahwa pada generasi ke 60 hingga 100 memiliki kecenderungan nilai fitness naik. Dalam pengujian ini dapat disimpulkan bahwa apabila semakin besar suatu generasi, akan memiliki kecenderungan nilai fitness yang lebih baik dan juga waktu ekseskusi semakin lama dikarenakan area pencarian yang semakin luas. Dalam pengujian ini didapat bahwa jumlah generasi yang paling optimal yakni 90 dengan nilai rata-rata fitness sebesar 0,8777
Tabel 6. Seleksi elitism
P1 P3 C1 P2 C3 C2 P4 P5
Kromosom 1 2 2 14 2 17 2 12 4 15 13 3 4 17 7 12 8 13
2
Parent yang dimutasi : P5
Keenam: Seleksi, metode yang digunakan dalam penelitian ini adalah metode seleksi elitism. Metode elitism adalah metode yang mengurutkan individu berdasarkan nilai fitness parent dan offspring, dari nilai fitness yang paling tinggi hingga nilai fitness terendah, kemudian mengambil individu yang sudah diurutkan sesuai jumlah populasi. Dalam penelitian ini, seleksi tidak hanya bergantung pada besarnya fitness saja, akan tetapi dilihat juga penalti dari setiap individu. Individu dikatakan layak apabila nilai penalti suatu individu ialah 0. Sedangkan nilai penalti 1 dikatakan individu tersebut tidak layak untuk dijadikan sebuah solusi. Hal ini dilakukan untuk mencegah adanya solusi yang tidak layak sesuai dengan kaidah terapi kombinasi antihipertensi. Individu terbaik dalam populasi akan lolos untuk masuk kedalam generasi berikutnya. Metode elitism menjamin individu yang terbaik akan selalu lolos [7]. Tahapan pertama dalam seleksi elitism adalah mengurutkan semua nilai fitness dan kelayakan setiap individu. Proses seleksi elitism akan ditunjukan pada Tabel 6.
Individu
1
Penalti
Fitness
0 0 0 0 0 1 1 1
0.004016 0.003378 0.001238 0.000905 0.000312 0.000814 0.000461 0.000312
0.9 0.85
0.8777 0.8301 0.8198
0.8 0.75 0.7
0.65
Setelah proses seleksi elitism, proses selanjutnya ialah mengambil individu-individu yang sudah diurutkan sesuai dengan populasi untuk generasi berikutnya. Individu-individu yang diambil merupakan individu terbaik sebanyak jumlah populasinya.
0.7069 0.6706 0.6522
0.8489
0.7912 0.7648 0.7605
0.6 10 20 30 40 50 60 70 80 90 100
Gambar 1. Hasil uji coba jumlah generasi optimal
68
Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2016 “Peran Teknologi dan Rekayasa Informasi dalam Implementasi Geostrategi Indonesia” Malang, 18 Oktober 2016
Pengujian ukuran populasi Pengujian ini bertujuan untuk mengetahui ukuran populasi yang optimal untuk menghasilkan fitness paling baik. Data yang digunakan untuk penelitian ini adalah pasien dengan hipertensi tingkat satu dan menderita komorbid CKD juga Angina Pectoris. Tekanan sistol pasien adalah 141 dan tekanan diastol pasien adalah 90. Jumlah generasi yang digunakan yakni 25 generasi dengan ukuran populasi dengan kelipatan mulai dari 10 hingga 100 populasi. Nilai crossover dan mutation rate dalam pengujian ini sebesar 0,5 dan 0,5. Setiap generasi akan dilakukan sepuluh kali percobaan dan dicari rata-rata fitness yang telah didapat. Hasil menunjukan bahwa Populasi paling optimum berada pada jumlah populasi 100 dengan fitness 0,868. Sedangkan nilai rata-rata fitness terendah adalah 0,4402 pada populasi ke 10. Dari ukuran populasi 10 hingga 60 memiliki grafik yang naik. Kemudian terjadi penurunan pada ukuran populasi 70, yakni dengan nilai 0.6688. Setelah itu hingga ukuran populasi 100, grafik mengalami kecenderungan naik. Dari pengujian ini didapat kesimpulan semakin besar ukuran populasi memiliki kecenderungan untuk memiliki rata-rata fitness yang tinggi dikarenakan ruang pencarian yang luas. 0.9 0.8
0.755
0.7158
0.7
0.6486 0.6063
0.6
0.8687 0.8556
0.6718
0.7466 0.6688
dengan nilai 0,3. Dari percobaan ini didapat kesimpulan apabila nilai crossover rate lebih kecil dari nilai mutation rate, hasil fitness yang didapat memiliki kecenderungan lebih besar. 0.95 0.9
0.8
20
30
40
50
60
70
80
0.7859 0.7743 0.7674
0.75
0.808
0.8777
0.8466 0.8121
0.7 mr 0
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
cr
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
1
Gambar 3. Hasil uji coba kombinasi crossover rate dan mutation rate Pengujian Parameter Optimal Pengujian ini bertujuan untuk menguji parameterparatemer yang telah diuji sebelumnya, dimana jumlah generasi yang paling optimal sebanyak 90, ukuran populasi yang paling optimal sebesar 100 individu dan kombinasi nilai crossover rate dan mutation rate yang paling optimal adalah 0,3 dan 0,7. Terdapat lima studi kasus yang didapatkan dari hasil rekomendasi dokter. Tabel 7. Rekomendasi Dokter Komorbid 1 2
0.4402 10
0.8957
0.8592 0.8371
0.85
0.5 0.4
0.8839
90 100
Gambar 2. Hasil uji coba jumlah populasi optimal
Diagnosa Dokter Antihipertensi 1 2
Fitness
CKD
Angina
Kandesartan
Atenolol
0.046
DM DM DM
Angina Angina Angina
Valsartan Kaptopril Furosemid
Amlodipin Amlodipin Valsartan
0.041 0.897 0.039
DM
Angina
Kaptopril
Bisoprolol
0.17
Status Tidak Layak Layak Layak Layak Tidak Layak
Pengujian kombinasi crossover rate dan mutation rate Pengujian ini bertujuan untuk mengetahui kombinasi crossover rate dan mutation rate yang optimal untuk menghasilkan fitness paling baik. Data yang digunakan untuk penelitian ini adalah pasien dengan hipertensi tingkat satu dan menderita komorbid CKD juga Angina Pectoris. Tekanan sistol pasien adalah 141 dan tekanan diastol pasien adalah 90. Jumlah generasi yang digunakan yakni generasi yang terbaik yang telah dilakukan pengujian sebelumnya, yakni 90 generasi dengan ukuran populasi terbaik yang telah dilakukan pengujian sebelumnya sebesar 100 individu. Kombinasi crossover rate dan mutation rate dimulai dari 0,1 skala 0 hingga 1. Setiap generasi akan dilakukan sepuluh kali percobaan dan dicari rata-rata fitness yang telah didapat. Hasilnya didapat nilai rata-rata fitness terbaik adalah 0,895 pada kombinasi crossover rate dengan nilai 0,3 dan mutation rate dengan nilai 0,7. Sedangkan nilai ratarata fitness terendah adalah 0,767 pada kombinasi crossover rate dengan nilai 0,7 dan mutation rate SENTRIN 2016 Universitas Brawijaya
Dengan menggunakan data komorbid pada Tabel 7 dan menggunakan parameter–parameter algortima genetika yang optimal, dilakukan uji coba dengan hasil seperti pada Tabel 8. Tabel 8. Hasil Rekomendasi GA Hasil GA Komorbid
Obat
1
2
1
2
CKD DM DM DM DM
Angina Angina Angina Angina Angina
Kaptopril Kaptopril Kaptopril Kaptopril Kaptopril
Amlodipin Nifedipin Amlodipin Amlodipin Amlodipin
Fitness
Status
0.897 0.61 0.897 0.897 0.897
Layak Layak Layak Layak Layak
Dari perbandingan tabel diatas didapat bahwa perbandingan hasil antara rekomendasi sistem dengan diagnosa dokter. Dari rekomendasi dokter didapat total fitness sebesar 24%. Terdapat rekomendasi dokter yang
69
ISSN (2540-9700)
Optimasi Pemilihan Antihipertensi Menggunakan tidak layak sebesar 40%. Disebut tidak layak karena rekomendasi tersebut melanggar aturan terapi kombinasi yang dijelaskan oleh JNC 7. Hasil yang direkomendasikan oleh sistem GA mampu memberikan rekomendasi layak dan fitness yang lebih baik, dengan presentasi kenaikan total fitness sebesar 60% dan kenaikan solusi yang layak sebesar 40%. 1
0.897
0.897
0.897
[7] Mahmudy, WF, Marian, RM & Luong, LHS 2013, 'Modeling and optimization of part type selection and loading problems in flexible manufacturing system using real coded genetic algorithms', International Journal of Electrical, Computer, Electronics and Communication Engineering, vol. 7, no. 4, pp. 251-260. [8] Mahmudy, WF, Marian, RM & Luong, LHS 2013, 'Real coded genetic algorithms for solving flexible job-shop scheduling problem – Part I: modeling', Advanced Materials Research, vol. 701, pp. 359-363. [9] Putri, FB, Mahmudy, WF & Ratnawati, DE 2015, 'Penerapan algoritma genetika untuk vehicle routing problem with time windows (VRPTW) pada kasus optimasi distribusi beras bersubsidi', DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 1. [10] Law, M. Wald, M. dan Morris, J. 2003. Lowering Blood pressure to prevent myocardinal infraction and stroke: a new preventive strategy. Health Technology Assessment [11] Chobanian, AV. Bakris, GL. et al. 2003. JNC 7 Express : The Seventh Report of the Joint National Committe on Prevention, Detection, Evaluation, and Treatment of High Blood Pressure. International Medical Publishing, Inc
0.897
0.61
0.5 0.046
0 0
1
0.041 2
Diagnosa Dokter
0.17
0.039 3
4
5
6
Diagnosa dengan sistem GA
Gambar 4. Hasil perbandingan nilai fitness. SIMPULAN Dari pengujian yang telah dilakukan didapat kesimpulan berupa mengetahui parameter optimal, yaitu: jumlah generasi optimal sebesar 90 generasi, jumlah populasi optimal sebesar 100 individu, dan kombinasi crossover dan mutation rate yang paling optimum ialah 0,3 dan 0,7. Selain itu sistem ini mampu memberikan rekomendasi untuk pemilihan kombinasi antihipertensi secara layak dan optimal. Sistem ini dapat dikembangkan lebih lanjut untuk menyelesaikan permasalah pemilihan kombinasi antihipertensi dengan metode crossover dan mutasi yang berbeda, serta metode seleksi yang berbeda juga. Pada penelitian lebih lanjut agar menggunakan berbagai macam keluhan atau efek samping dari obat sehingga hasil sistem jauh lebih akurat. DAFTAR PUSTAKA [1] Centers for Disease Control and Prevention. 2014. “Ilmu Kedokteran”, CDC, Ensiklopedi Bebas[diakses: 21 Juni 2014]. [2] Park, JB. Kario, K, & Wang, JG. Systolic hypertension: an increasing clinical challange in Asia. 2015 Apr; 38(4): 227–236 [PMC]. [3] Junianto, B. Laras, AP. 2015. “Hipertensi Menduduki Penyebab Kematian Pertama di Indonesia”life.viva.co.id[diakses 7 November 2015]. [4] Sutriyano, E. 2015. “Konsumsi Obat Mahal Sepanjang Hidup, Ini Kalkulasi Biaya Untuk Pasien Hipertensi” Tribunnews.com[diakses 24 Agustus 2015]. [5] Priatmojo, D. Permadi E. 2014.”Banyak Masalah, DPR Akan Evaluasi Pelaksanaan BPJS” Viva.co.id[diakses 27 juni 2014]. [6] Salwa, Anita. 2013. Evaluasi Penggunaan Obat Antihipertensi pada Pasien Hipertensi dengan Gangguan Ginjal di Instalasi Rawat Inap RSUD Dr. Moewardi tahun 2010. Skripsi thesis, Universitas Muhammadiyah Surakarta.
70
